呼叫中心一路走来，就算以美国或欧洲的角度来看，都只有30年不到的历史，是一个很短的历程，大部分的管理理论都很不成熟，借镜于其它产业的管理理论，却发现这些理论不完全适用于呼叫中心。
其中一个最严重的管理难题就是，其它产业高度仰赖的平均值管理，到呼叫中心突然发现不灵光了。
平均值管理有什么问题？
我们先看几个例子。
我在1990年在美国待了相当长一段时间，当时看到美国加州有一个郡的郡长发布了一个新闻稿，说他们郡的人均收入比前一年同期大幅提升了不少，新闻稿的用意很明显，就是要表现这个郡长所做的功绩。
人均收入提高，是不是一个很值得大书特书的政绩？人均收入提高，听起来这个郡的居民收入提高了，大家应该都过的更好了。
但当地报纸显然不买帐，写了篇文章去讥讽郡长，说郡长大人，本郡人均收入提高，是因为有一个人搬进了本郡啊，这个人就是比尔盖兹先生。
比尔盖兹先生搬到了这个郡，人均收入当然会大幅提升，可能还提升了几十倍不止，但这个郡的其它居民的收入有提升吗？这个郡的人均收入提升，跟其它居民有关系吗？
我最近上课，常常会讲一个脑筋急转弯，有一个城市（叫做城市甲吧）人均收入是一万，城市乙的人均收入是8千，有没有什么办法可以仅仅靠着把城市甲的一群人搬到城市乙，然后两个城市的人均收入同时都会增加？
这答案很简单，就是把收入在一万到8千的居民，从城市甲搬到城市乙，两个城市的人均收入都会同时提高。
是的，只要把收入在一万到8千的居民，从城市甲搬到城市乙，两个城市的人均收入都会同时提高，因为城市甲的人均收入是一万，而这些收入在一万到8千的居民，因为收入低于人均收入，所以如果搬走，人均收入自然就会提高。而城市乙的人均收入是8千，这些居民的收入高于城市乙的人均收入，这些人搬进来，城市乙的人均收入自然就会上升。
仅仅靠着把这些居民从城市甲搬到城市乙，这两个城市的人均收入都会同步提高，但请问，这两个城市有做了任何的努力吗？还是说这两个城市都只是在玩数字游戏而已？
我再举一个更令人困惑的例子来说明平均值这个数字的矛盾性。
大家觉得有没有可能两个座席员，过去8、9、10三个月的质检平均分数，座席员甲是高于座席员乙的，而11月这个月的质检平均分数，座席员甲还是高于座席员乙的，但是如果把这四个月的分数放在一起重新统计，突然座席员乙的平均分数却高于座席员甲？
我再说一次，有没有可能，过去8、9、10三个月的质检平均分数，座席员甲高于座席员乙，11月这个月的质检平均分数，座席员甲还是高于座席员乙，但是把这四个月的分数放在一起重新统计，突然座席员乙的平均分数却高于座席员甲？
应该不可能吧，8、9、10三个月座席员甲的平均分数都高于乙，11月甲还是高于乙，怎么可能把四个月的分数放在一起平均，乙却高于甲呢？
万一有这种可能，那我们过去在计算质检平均分数的时后，不是全乱了套了吗？
甲的平均分数一直都高于乙，怎么可能把分数放在一起统计，却出现了大逆转呢？
如果这有可能，那到底是甲比较好，还是乙呢？
还是我们根本无法辨认谁比较好呢？
我用下面这个例子来说明这真的是有可能的：
| | 抽听数 | 合格数 | 合格率 |
| 8、9、10三个月 | 甲座席员 | 40 | 36 | 0.90 |
| 乙座席员 | 100 | 86 | 0.86 |
| 11月 | 甲座席员 | 20 | 13 | 0.65 |
| 乙座席员 | 8 | 5 | 0.63 |
| 四个月累计 | 甲座席员 | 60 | 49 | 0.82 |
| 乙座席员 | 108 | 91 | 0.84 |
上面这张表，把甲和乙两位座席员过去8、9、10三个月的质检分数列了出来，大家可以看到，座席员甲被抽听了40通，其中合格数是36通，显然合格率是90，而座席员乙被抽听了100通，合格数是86，合格率是86。
过去8、9、10三个月的质检合格率，座席员甲显然是高于座席员乙的。
到了11月，座席员甲被抽听了20通，合格数是13通，合格率是65，而座席员乙被抽听了8通，合格数是5通，合格率是63，11月的的质检合格率，座席员甲显然又是高于座席员乙的。
但如果我们把这四个月的成绩放在一起统计，我们会看到一个令人非常困惑的情况：四个月的累计，座席员甲被抽听了60通，合格数是49，合格率是82，而座席员乙被抽听了108通，合格数是91，合格率却是84！
座席员乙的合格率突然高于座席员甲！
你没有听错，而我没有讲错，大家仔细的详细看看上面这表格的计算，是的，我没有算错，分开来看，座席员甲都领先座席员乙，但放在一起统计，座席员甲却输给了座席员乙！
平均值的计算，是要非常小心的，当你抽听的通数不一样，而两次的平均值差异又过大（甲原来合格率是90，11月掉到了65），这时平均值就可能会出现上面这种可笑的情况。
我常常拿下面这两个例子来说明在呼叫中心平均值的计算，是拿来罚钱，而不是拿来管理的。管理是需要不断的问为什么，而平均值看不到个体差异，问不出为什么这三个字。
先看第一张图：
这是两个呼叫中心从早上8点开始，一直到晚上6点，每隔半个小时的服务水平。可以很清楚的看到，蓝色这条线，它服务水平在91到48这中间震荡，平均服务水平是73左右，粉红色这条线，虽然平均服务水平也是在73左右，但震荡幅度却小了很多，服务水平只在81到68这中间震荡。
要请问的是，大家觉得哪一个呼叫中心的管理比较好？
你会觉得这两个呼叫中心的管理一样好吗？
我们来看看另外一张图，这是从通话利用率来看（就是座席员一天的通话时长除以该座席员一天的签入时长）：
这是两个座席员每天的通话利用率，横轴是这个月从月初到月末，纵轴是通话利用率，蓝色这位的平均通话利用率在70左右，粉红色这位的平均通话利用率也是在70左右，但上下震荡的很厉害，月初表现的很好，但从月中开始，通话利用率就一直明显的下降。
如果是从平均数来看，这两个座席员的通话利用率平均都是70，都是一样。但两个人的表现真的是一样吗？
呼叫中心过去主要的管理手段，我们称为平均法，利用平均表现来进行考核。
例如某座席员这个月的通话利用率是否有达标，就是看这个月里面，每一天的通话时长进行加总，然后除以这个月这个座席员的签入总时长。
平均法的最大问题，就是只能看到平均，而看不到差异。
通话利用率这张图是某个呼叫中心真实的故事，它的座席员每个月有固定的接听总通数这个指标必须达成，在月初时，座席员就拼命接电话，到了月末，接听通数的指标达成了，大家就开始拼命的小休，通话利用率就大幅的下降，造成通话利用率是月初高，月末低的情况。
这是你要的绩效管理效果吗？
如果你只看平均数，你可以看出这个问题吗？
追求差异的缩小，是最小方差管理法最重要的精神，而最小方差管理法用来测量差异最重要的测量工具就是：
标准差和离散系数
如何使用标准差和离散系数，我在前几期的文章中写得相当详细，现在大约再说明一次。
标准差计算方法很简单，在EXCEL里面，只要利用“STDEV”函数，选中你要计算标准差的数列，如下图，我们要计算7月1号到30号平均处理时长的标准差，7月1号到30号平均处理时长的数据，就是B2到B31这数列，只要选中这数列，按“确定”，就会得出标准差。
如我们之前几篇关于最小方差管理法的文章所说，平均数看不到个体差异，只知道7月1号到30号的平均处理时长是99.5秒，但这数字对管理者而言，其实是没有办法用来做管理的，因为管理者要做的是找出差异，管理差异，而标准差才是可以提供个体差异这重要信息的工具。
但每一次计算平均值，因为采用的天数可能不一样，或是采用了不同的班组来检查，平均值都可能会不一样的，这时如果只是用标准差来做互相之间的比较，就会产生不公平的情况，所以将标准差除以平均值，得出一个系数，就称为离散系数。
离散系数是一个最重要的控制指标，最小方差管理法大量使用离散系数来测量某一个KPI指标是否已经达标。
最小方差管理法把离散系数分成四个等级：
稳定 0.1
控制 < 0.16
失控 > 0.16
严重失控 > 0.8
有了这四个等级，呼叫中心的差异管理，有了明确的界定，只要你把某个KPI指标的离散系数计算出来，你就知道自己目前的差异状况是在稳定，还是控制，或是失控中了。
这是一个非常重要的观念，质量管理之父戴明是一位改造了日本的质量大师，他却是一位美国人，本来在1950年到1960年，日本制就等于是劣质货、黑心货的代名词，日本以廉价但质量差的产品大量倾销美国，让美国人非常鄙视，但到了1980年，美国最大的电视台NBC制作了一套震撼美国人的节目，节目名称就是[为何日本能，而美国不能！]，因为到了1980年代，美国人赫然发现日本制产品的质量，远远超过了美国货，全世界都开始买日本车，买日本家电，质量尽然超过了一直在帝国大梦中的美国，而改造了日本的这位大师，就是戴明。
可惜国内目前很少戴明的书，戴明对我的影响非常的大，他的理论最重要的核心思想就是：
管理企业，首先要让关键指标进入控制状态，不然所有的管理手段都是无效的!
也就是说，必须首先测量关键指标是否在控制状态，如果不是，首先要让事情进入控制状态，不然就算你采取再多的改善措施，都是这里失火，这里救火，那里失火，那里救火，为何这里那里会到处失火，却没有找出问题的源头，只是在事情的最末端进行亡羊补牢的补救措施而已。
最小方差管理法认为差异管理最重要的，就是首先进行关键指标的离散系数测量，测量关键指标目前的控制情况。
如果指标是在失控状态（离散系数大于0.16），最小方差管理法藉用两个关键图来找出差异的来源，这两张图一个是常态图，另外一个是控制图。
常态图的画法可以参考我前面一篇文章『Excel2007对呼叫中心管理产生的革命性影响』当中，有详细介绍怎么用Excel来画常态图。
下面这张图是某呼叫中心平均处理时长的常态图，我们希望常态图是一个高峰，这代表只有一股力量在里面，如果出现了两个以上的高峰，就代表有两股以上的力量在里面，差异被这两股以上的力量给拉开了。
在下面这张图中，我们看到大部分人的平均处理时长是5分钟左右，但在8分钟这里，又出现了一个小高峰，甚至在10分钟这里，出现了第三个小小高峰。
常态图可以帮助我们在指标失控时，看到这指标有几股力量在里面，针对第二和第三个高峰应该要采取适当的手段来改善情况。
换句话说，看常态图的重点，就是看有几个高峰，我们希望看到的理想情况是一个高峰，但只要指标是失控的，通常一定会看到两个以上的高峰。
常态图也轻易可以看出长尾来，长尾理论最近在互联网变成一个影响很大的理论，就是由网民共同创造的网站（例如小区网站）虽然网民力量小，但却是真正互联网将来的主流方向。
但在差异管理中，长尾却是你最不想看到的，在下面这张图中，右边显然出现了一条长尾。
控制图是差异管理中最关键的一张图，我在下一期在专门来谈。
